閔蕾 高昆 李維 王紅 李婷 吳穹 焦建超

光學遙感圖像分割技術綜述

閔蕾1高昆1李維2王紅1李婷3吳穹1焦建超2

（1 北京理工大學光電成像技術與系統(tǒng)教育部重點實驗室，北京 100081）（2 北京空間機電研究所，北京 100094）（3 中國空間技術研究院總體部，北京 100094）

遙感圖像分割技術旨在將包含復雜地物空間分布信息的遙感圖像劃分為具有特定語義標簽的不同區(qū)域，在遙感影像的分析和解譯環(huán)節(jié)中有著重要應用。文章參照人類視覺系統(tǒng)的感知和視覺信息逐層稀疏化加工的特性，從基于淺層特征的分割方法、基于中層特征的分割方法和基于深層特征的分割方法三個層面，對常見的光學遙感圖像分割技術進行了分類綜述，陳述了各種主要算法的基本特點，并對比了它們的優(yōu)勢和局限性，同時也對未來的改進和發(fā)展方向進行了展望，為遙感圖像分割的研究提供了一定的參考借鑒價值。

圖像分割 分類 圖像特征層次 深度學習 光學遙感

0 引言

圖像分割技術是按照圖像內(nèi)部特征，將圖像劃分為不同類型的均勻區(qū)域，要求區(qū)域間的分割邊緣必須精確劃定，且被分割物體的內(nèi)部特征具有一致性或相似性，每個區(qū)域屬于同一類，不同區(qū)域則歸屬于不同的類。光學遙感圖像分割技術旨在根據(jù)實際語義信息給遙感圖像進行像素級分類，將其劃分為一系列具有道路、農(nóng)田、村莊、工業(yè)區(qū)等地物類別標簽的區(qū)域。近年來隨著高分辨率對地觀測技術的進步，通過遙感衛(wèi)星（如LandSat、Spot和MODIS等系列）獲取的海量觀測圖像數(shù)據(jù)進行圖像分割，是開展城市規(guī)劃、災害監(jiān)測、目標識別等應用研究的處理基礎。然而，遙感數(shù)據(jù)量的快速增長也給光學遙感圖像分割帶來了諸多挑戰(zhàn)，如空間分辨率提高帶來更高的地物復雜性（更多的陰影及背景），變化劇烈的光譜信息帶來的同物異譜和異物同譜現(xiàn)象，以及海量數(shù)據(jù)的處理和多變尺度的特征提取等[1]。

面對上述挑戰(zhàn)和日益增長的技術需求，各種基于遙感圖像的分割技術方法不斷涌現(xiàn)，分割效率和精度也在不斷提高。為了更清晰完整地羅列出遙感圖像分割的發(fā)展框架，許多學者從不同分類方法著手，總結出了諸多良好的綜述性成果[2-6]，為光學遙感圖像分割領域提供了較權威的參考價值。雖然關于圖像分割的研究文獻諸多，但技術方法的分類界限一直比較模糊，分類方法繁多且側重點不同。例如，文獻[3]中主要從圖像驅動、模型驅動和同質性特征度量三個方面來對光學遙感圖像的分割進行分析；文獻[4]則采用基于面向對象的圖像分析(Object-based Image Analysis，OBIA)來研究與遙感影像相關的圖像分割技術；文獻[5]細分出了基于邊緣、基于像素、基于數(shù)學理論、基于區(qū)域和基于元啟發(fā)式學習五種針對分割技術的劃分方式，且利用特定遙感數(shù)據(jù)集進行了實驗驗證。

受人類視覺系統(tǒng)(Human Vision System, HSV)感知和視覺信息逐層稀疏化加工特性的啟發(fā)[7]，本文從加工的圖像特征的角度來對常用的遙感圖像分割技術進行分類。人眼是人類了解外部世界的主要媒介，HSV的視覺關注和視覺感知兩大特性在人眼信息獲取和處理中發(fā)揮了關鍵性作用。其中，視覺關注機制主要分為自底向上的自發(fā)性模式和自頂向下的驅動型模式，前者集中地關注圖像本體的顯著性內(nèi)容，是視覺系統(tǒng)在場景圖像淺層信息刺激下的一種反饋，聚焦于諸如邊緣、顏色、幾何形狀等這類淺層圖像特征；而后者自頂向下則是意識支配型的關注模式，它需要更高級的先驗或上下文信息的參與，可理解為人眼在語義信息驅動下得到感興趣目標的模式[7]，而視覺感知則包含明確外界信息輸入和感知信息處理的過程，腦部接收到感知信息后驅使人體對物體進行辨認，及時采取適當?shù)姆磻绺兄\動，感知顏色等?？偟膩碚f，HSV通過這兩類模式都能夠提取到感興趣的目標信息，而近年來異軍突起的深度神經(jīng)網(wǎng)絡提取到的深層特征卻因為過于抽象化，具有稀疏性，往往不能被人眼直接理解。深層特征所攜帶的高級語義信息在圖像識別和處理等諸多領域表現(xiàn)十分突出，基于深度學習的圖像處理也成為新的研究熱點。綜上，本文從HSV可視察和不可視察兩個方面考慮，將圖像特征劃分為三個層次，分別是聚焦于顯著性信息的淺層特征、結合上下文和先驗信息的中層特征和基于深度學習挖掘到的深層特征。

在分析總結相關文獻的基礎上，本文分別從遙感圖像的淺層特征、中層特征和深層特征等三個層次上對常見的光學遙感圖像分割技術進行分類，闡述和總結了方法的特點和局限性，并對未來的技術發(fā)展前景進行了展望。

1 常見的光學遙感圖像分割方法

早期的綜述文獻常從基于像素、邊緣、區(qū)域和目標識別的混合方法等幾個不同的方面來劃分圖像分割技術種類[4]。后來，在數(shù)理統(tǒng)計知識支撐下的算法模型也發(fā)展起來，如基于馬爾科夫隨機場(Markov random field，MRF)[8]、條件隨機場(Conditional Random Field，CRF)[9]以及圖論和小波變換等理論的分割算法[5]。近年來，隨著大數(shù)據(jù)新興起來的人工智能熱潮給圖像分割領域帶來新的解決思路，深度學習中基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的模型，典型例子如全卷積網(wǎng)絡(Fully Convolutional Net-works，F(xiàn)CN)[10]，被認為是突破了長期以來圖像分割技術瓶頸的關鍵架構[11]。

近年來隨著高分辨率遙感成像技術的進步，獲取的圖像紋理結構更精細，地物的幾何形狀也更加清晰，在視覺上與自然圖像的細節(jié)差異已經(jīng)越來越小[12]。因此，上述的許多算法已成功遷移到了光學遙感圖像分割的應用中。研究者針對遙感圖像的多光譜特征、地物復雜性、高類間相似和高類內(nèi)不同性等具體難點不斷改進算法，取得了較理想的分割效果。

本文根據(jù)圖像內(nèi)可提取到的特征層次來對光學遙感圖像分割進行技術分類：基于淺層特征的分割技術常依賴于圖像具有的紋理、幾何形狀、光譜特征、顏色等顯著性的基礎內(nèi)容開展處理；基于中層特征的分割方法則主要聚焦于引入先驗信息和上下文信息，或是一些淺層特征的混合組合來進行處理，這類特征比淺層特征更加稀疏和魯棒；基于深層特征的分割方法多以基于深度學習網(wǎng)絡（如卷積神經(jīng)網(wǎng)絡）為主，對深層語義信息進行挖掘，此類方法提取出來的圖像高層語義特征具有較強的特征表示能力，算法的泛化性能較好，是當前技術發(fā)展的熱點。

2 基于淺層特征的分割方法

鑒于早期可獲取圖像的簡單性，經(jīng)典的光學遙感圖像分割多依靠圖像的淺層特征（邊緣、紋理、顏色、幾何形狀等）來進行，常見的有基于圖像像素的閾值分割法、邊緣檢測分割法和區(qū)域分割法等。表1給出了上述三種方法的優(yōu)缺點對比。

表1 基于淺層特征的分割方法的優(yōu)點與局限

Tab.1 Advantages and limitations of the shallow-feature-based image segmentation methods

基于圖像像素的閾值分割法原理簡單且無需先驗知識。閾值分割法[13-16]利用圖像像素的灰度特征來計算選擇閾值，合理分割出圖像中的識別目標和背景，運算效率很快，針對對比明顯的區(qū)域效果良好。但是它僅將圖像灰度值作為依據(jù)，未利用到圖像中的空間信息，在處理具有復雜地物特征的遙感圖像時抗噪性差，分割效果并不理想。

圖像邊緣指圖像中相鄰區(qū)塊之間像素特征發(fā)生突變的地帶，這個部分像素灰度值是不連續(xù)的，且對于圖像來說是較重要的信息。根據(jù)遙感圖像中區(qū)域的不連續(xù)性，可以利用邊緣檢測分割法來創(chuàng)建分段的多邊形實現(xiàn)分割。首先可以利用諸如微分算子邊緣檢測法、邊緣跟蹤法、霍夫變換法、曲線擬合法等策略搜索圖像邊緣不連續(xù)的像素點[5,17]，然后通過邊緣連接和輪廓生成算法來關閉區(qū)域[18-19]，邊緣內(nèi)的區(qū)域具有相同的屬性。其中，Canny算子被視作遙感圖像應用里表現(xiàn)良好的邊緣檢測工具[20]。然而它在使用高斯濾波器來對圖像中的噪聲點進行平滑的同時，常常會將圖像邊緣模糊化，造成邊緣細節(jié)的信息弱化和丟失。針對這個問題，文獻[21]通過添加方向梯度模板來計算圖像的方向梯度和方向，使遙感圖像的邊緣更清晰，分割更準確。針對遙感圖像中的多尺度分割任務，文獻[22]利用Canny檢測器來檢測多光譜遙感圖像的邊緣特征，將其與多尺度分割技術結合，邊緣信息與分割尺度結合的可分離性判據(jù)較好地控制了相鄰圖像對象的合并過程。此外，還有學者利用霍夫變換來搜索適合局部的理想邊緣，這對于形狀簡單的物體效果很好，但對于光學遙感圖像中復雜地形特征的邊緣仍然非常困難[23]。至今已經(jīng)提出了許多基于邊緣檢測的分割算法，不過如何識別完美邊緣來生成遙感圖像目標仍然具有挑戰(zhàn)性。

區(qū)域分割法則利用圖像局部的空間信息，基于像素間的連通性和鄰接性將子區(qū)域聚合成一個更大的區(qū)域，能有效地克服邊緣檢測技術對于不連續(xù)區(qū)域的分割缺陷。簡單來說，就是利用通過物體內(nèi)部開始向外擴展至物體的邊界，區(qū)域分割法認為同一區(qū)域內(nèi)的相鄰像素具有相似的值。一般將區(qū)域生長以及區(qū)域分裂合并兩個步驟視作區(qū)域分割法的基本操作。對于區(qū)域生長來說，種子區(qū)域的選擇和相似度準則是兩個關鍵問題，不合適的選取會導致圖像出現(xiàn)過分割或者欠分割現(xiàn)象。結合圖像的光譜和形狀特征，區(qū)域生長在光學遙感圖像分割任務上有許多應用[24-26]。其中，基于對面積增長方法和區(qū)域生長規(guī)律的研究，文獻[24]中利用多個人工采集的區(qū)域道路作為生長點來分段提取道路目標。利用數(shù)學形態(tài)學的分水嶺變換算法是區(qū)域生長法的典型代表，傳統(tǒng)分水嶺算法將圖像視作拓撲地貌，且每點的海拔高度都是利用對應的圖像像素點灰度值來表示的，其中，每個局部極小值和它延展影響到的區(qū)域統(tǒng)稱為集水盆地，這些盆地的邊界即為分水嶺。基于分水嶺算法的分割法可以用來提取遙感圖像中的特征信息[27]，對分割目標計算速度快、邊緣檢測精度高，但存在嚴重的過分割問題。于是，學者們對此算法做了諸多改進[28-30]，如采用帶有自動標注功能的分水嶺算法對分辨率高的遙感圖像進行分割，并采用鄰近分割對象的合并代價函數(shù)來優(yōu)化分割結果[28]。區(qū)域分割法的另一種操作，區(qū)域分裂合并則將圖像根據(jù)制定的準則（基于灰度值、紋理，內(nèi)部邊緣等）進行分裂和合并，得到相似度大的同質區(qū)域和差異大的異構區(qū)域[31]。典型的如分型網(wǎng)絡進化算法（Fractal Net Evolution Approach，F(xiàn)NEA）在光學遙感圖像分割上就有很多研究成果[32-34]?？偟膩碚f，區(qū)域分割法的抗噪性強，且能得到緊湊形狀的分割區(qū)域，對于多尺度多波段的遙感圖像來說技術上容易拓展，但是種子區(qū)域的選擇和同質性準則的制定仍然是個挑戰(zhàn)，需要進一步改善。

3 基于中層特征的分割方法

傳統(tǒng)的基于淺層特征的分割法適用于內(nèi)容較為簡單的遙感圖像，但對于地物復雜的圖像往往效果并不理想，尤其當外界條件如光照、傳感器、云霧等條件對像素特征有不良影響時，分割結果更易受干擾，魯棒性不夠強。于是，研究人員開始利用數(shù)學理論和圖論來引入先驗信息和上下文信息，或通過混合組合多種淺層特征來得到鑒別性更好、魯棒性更強的圖像中層特征。常見的基于中層特征的分割有聚類分割法、基于馬爾科夫隨機場的模型分割法、混合特征組合分割法等，表2列出了這三類方法的優(yōu)勢及局限性。

表2 基于中層特征的分割方法的優(yōu)點與局限

Tab.2 Advantages and limitations of the middle-feature-based image segmentation methods

聚類分割法則是用某種特定的特征空間點來表征圖像內(nèi)的像素點，并將這些特征空間點聚類。特征空間中像素點光譜測量值具有自然聚類特性，此方法本質上利用了這一性質來將代表不同特征的像素進行組合，確保像素的分割結果在同一功能類盡可能相似。聚類分割法具有較強的可擴展性，常見的基于K-means，基于模糊C-means(FCM)，基于均值漂移等技術在光學遙感圖像分割任務中均有廣泛的應用[35-38]。其中，基于K-means聚類算法發(fā)展起來的SLIC超像素分割法因其實現(xiàn)快速和較好的分割性能在遙感領域備受青睞，文獻[36]中將其與閾值法OTSU結合來識別提取遙感影像中的水體目標，分割快速且提取精確度高。另一個FCM算法則是由模糊數(shù)學理論發(fā)展起來的，圖像信息的復雜性和變異性導致了人眼視覺在遙感圖像處理中的不確定性，對圖像灰度級的模糊性區(qū)分有一定難度。模糊數(shù)學中的模糊推理與人類的認知思維相似，這對分割任務很有幫助，可以通過選擇恰當?shù)碾`屬度函數(shù)來判定像素點屬于某一目標類的隸屬度[37]。而均值漂移分割技術則比較特殊，它是基于密度來進行聚類的，一般將RGB顏色空間信息轉換到LUV顏色空間來有效利用遙感圖像中的像素光譜信息[39]，收斂速度較快且不用預設聚類數(shù)量。文獻[38]提出了一種基于均值漂移的并行實現(xiàn)方法來分割大規(guī)模遙感圖像，有效提高了并行計算環(huán)境下的圖像分割計算效率。聚類分割法易于實現(xiàn)，但初始分割的聚類中心和聚類數(shù)量的確定仍面臨困難，且它更關注于光譜特征，未充分考慮像素的紋理信息等其他特征，因此圖像噪聲對其影響較大。

接著可以通過數(shù)理統(tǒng)計的決策和估計理論中的最優(yōu)準則來進一步明確分割的目標函數(shù)[40-41]，比如常采用最大后驗概率（Maximum A Posteriori，MAP）的估計準則來進行全局最優(yōu)估計：

基于MRF的圖像分割算法的發(fā)展歷程并不算短，在1994年就有學者將改進的MRF模型與無監(jiān)督方案結合，采用了光譜信息和空間特征，來得到用于圖像分割的多尺度隨機場模型(MSRF)[42]。其他一些遙感圖像分割應用中，基于MRF的監(jiān)督或無監(jiān)督算法[43-47]也很常見，文獻[46]中將MRF用于融合的SAR和Landsat圖像分割任務中，而文獻[47]則采用基于圖的多尺度分割，分別在粗尺度和細尺度上融合這些分割的特征來進行有效的遙感圖像分割?；贛RF的模型分割法可以有效地表達遙感圖像的空間信息，先驗知識的引入可以有效提高復雜圖像區(qū)域的分割效果；然而由于光學遙感圖像中存在著邊緣混疊和散斑噪聲等問題，傳統(tǒng)的基于MRF的遙感圖像分割技術也在不斷改進[41,48-50]。文獻[41]提出了一種結合強度、邊緣、紋理和空間信息的提取和融合的MRF遙感圖像分割法，可以提高分割準確性和抗干擾性。文獻[50]則基于雙樹復小波紋理，利用MRF模型提高了高分辨率遙感圖像分割的精度。目前，MRF在光學遙感圖像分割研究中依舊廣泛，它可以通過先驗分布的形式整合圖像的紋理、空間屬性、光譜特征、上下文信息等，對分割十分有利，不過計算復雜度高這一問題仍未解決。

混合特征組合分割法是研究學者為了克服基于單一淺層特征分割法的局限性而提出來的，兩種或兩種以上分割方法的相互補充，以克服使用單一特征來進行光學遙感圖像分割的缺點。典型的如將邊緣檢測分割法和區(qū)域分割法相結合來得到更好的分割效果[51-54]，這樣不但能準確識別遙感圖像的邊緣，還能夠產(chǎn)生封閉區(qū)域。文獻[54]中便結合了形態(tài)學邊緣檢測和區(qū)域增長的手段來進行遙感圖像的水流區(qū)域分割。結合基于邊緣和基于區(qū)域的方法可以使單個算法的過度分割、欠分割、種子選擇等問題被其他算法解決，互補來提高分割性能。此外也有學者將基于像素的方法與區(qū)域分割法結合[55]，或是將基于數(shù)學理論的優(yōu)化算法和基于淺層特征的分割法相結合[56-57]，在光學遙感圖像分割任務中能取得良好的結果，但是總體上看實現(xiàn)起來較麻煩，復雜程度較高。

4 基于深層特征的分割方法

隨著光學遙感圖像分辨率的提升，圖像中“異物同譜”及“同物異譜”的情況出現(xiàn)得愈加頻繁，傳統(tǒng)的淺層和中層特征表征可提升空間已經(jīng)相當有限，圖像分割面臨著新的挑戰(zhàn)。隨著人工智能和深度學習的發(fā)展，研究人員發(fā)現(xiàn)通過深度神經(jīng)網(wǎng)絡能提取到對圖像分割大有裨益的深層特征。強大的魯棒性是深度神經(jīng)網(wǎng)絡的典型優(yōu)勢，提取到的深層特征具有高層語義信息，而且網(wǎng)絡層數(shù)越深，越能提取到抽象且具有全局性的信息，特征表征能力就越強[11,58-59]。后來，基于深層特征的分割方法逐漸被遷移到光學遙感圖像中，并依據(jù)遙感圖像的多光譜、高地物復雜度、高類間相似和類內(nèi)不同性等區(qū)別于自然圖像的特點進行改進，其中突出代表為基于卷積神經(jīng)網(wǎng)絡CNN的分割模型，目前大多數(shù)基于深層特征的分割方法都是在此網(wǎng)絡基礎上延伸發(fā)展的。CNN通過對光學遙感圖像進行逐層的特征學習，來訓練神經(jīng)網(wǎng)絡分類器，在圖像像素級上進行分類來實現(xiàn)圖像分割[60]。一般由卷積層、池化層和全連接層構成，通過這些多層結構的組合自動學習圖像特征并將其映射到新的特征空間來進行表示。作為典型的數(shù)據(jù)驅動型網(wǎng)絡，CNN需要大量的訓練數(shù)據(jù)來得到一個良好的分割模型，接著利用此模型進行測試圖像的分割任務，以下列出了幾種常見的基于CNN的光學遙感圖像分割模型。

2015年，以Long[10]為代表設計的全卷積網(wǎng)絡FCN語義分割模型對圖像分割來說具有劃時代意義，實現(xiàn)了像素級的圖像語義分割，它將CNN結構內(nèi)用于分類映射的全連接層替換成卷積層，通過反卷積操作對獲得的特征熱圖進行上采樣到原始輸入圖像大小，同時結合中間池化層信息來生成圖像預測分割圖，圖1是FCN的結構圖，圖中數(shù)字表示不同特征圖的通道數(shù)。在利用FCN進行光學遙感圖像分割時，池化層的引入會導致一部分圖像邊緣細節(jié)的丟失，且模型所提取到特征的類內(nèi)相似性與類間差異性仍然不是很高，為了解決這些問題，大量基于FCN的改進方法不斷涌現(xiàn)。例如，根據(jù)遙感圖像的特征，文獻[61]中通過增加海拔信息來得到更精細的遙感圖像信息，而文獻[62]則融合了藍板房屋和裸土的光譜識別指數(shù)，將遙感圖像的索引模糊化，提高了分割準確率和召回率。此外，利用可獲取全局上下文信息的條件隨機場CRF作為優(yōu)化手段也是常見的改進方法，先利用FCN實現(xiàn)粗分割，再用CRF依據(jù)目標的多尺度信息來細化分割結果[63-65]。

圖1 全卷積網(wǎng)絡結構

基于FCN先降采樣再上采樣的結構，Badrinarayanan等人[66]提出了一種深層卷積編碼器-解碼器結構SegNet來對街道和車輛等城市中目標進行識別分割，如圖2所示，前五大模塊對應著編碼器部分，是一個逐漸下采樣來進行特征提取的信息稀疏化過程，后五大模塊則對應解碼器部分，利用逐塊上采樣的思想來恢復圖像至原始輸入尺寸。它通過只保留編碼器結構的池化索引值來節(jié)省內(nèi)存空間，在解碼階段使用最大池化的索引值即可恢復目標邊緣，保留了圖像的細節(jié)信息，進而有效地提高了分割準確率。文獻[67]中便利用遙感圖像的光譜和空間特征信息，通過SegNet對遙感圖像中的農(nóng)村建筑物覆蓋區(qū)域進行提取。此外，Ronneberger等人[68]設計的簡單小型U-Net結構也因其在訓練數(shù)據(jù)較少情況下的較精確分割表現(xiàn)在遙感圖像分割應用中出現(xiàn)頻率較高[69-70]。結構如圖3所示，每個矩形塊上方的數(shù)字表示特征圖對應的通道數(shù)，左方的數(shù)字表示特征圖長度和寬度的乘積，具體地，如輸入圖像數(shù)據(jù)往右第三個長條矩形上方數(shù)字64表示有64個通道，左邊的568×568表示此維度為特征圖長568和寬568的乘積。文獻[69]中利用VGG16網(wǎng)絡作為預編碼器來改進U-Net，并采用了基于空洞卷積的級聯(lián)并行模塊對多尺度的高級語義特征進行捕獲，在高分辨率遙感圖像的建筑物分割中精度較高。更多地，DeconvNet[71-72]也采用了類似的編碼器-解碼器思想來上采樣圖像還原至原始尺寸，它利用了反卷積層來稠密化上采樣后的稀疏特征圖來代替池化操作，改進了FCN。

圖2 深層卷積編碼器–解碼器結構

圖3 U-Net結構

以上所述的分割模型都是基于編解碼器堆棧結構，其中編碼器用于提取深層特征，而解碼器用于恢復特征熱圖至圖像原始尺寸，處理感受野的大小與目標輸出尺寸兩者間的矛盾。此外，空洞卷積也是常用的緩解特征圖與感受野尺寸之間矛盾的方法，它利用空洞卷積核來對輸入圖像進行卷積操作，能夠在獲取不同尺度特征圖的同時保證感受野不被減小，從而獲得更多的上下文信息。此理論發(fā)展起來的圖像分割結構中的典型代表為DeepLab[73-74]和PSPNet。其中，基于DeepLab的光學遙感圖像分割方法[75-78]在近年的研究中備受關注，具有較佳的分割效果。文獻[75]中就利用了空洞卷積來代替FCN中的池化操作，減少計算量的同時保證了特征圖的大小，有效保留了遙感圖像中的空間結構信息，文獻[77]中則是利用DeepLab結構來進行遙感圖像海岸線的粗分割，再采用全連接的CRF來優(yōu)化分割模型實現(xiàn)細節(jié)提取，有效減少了誤分割率，而文獻[78]中選擇在DeepLab V3+的基礎上加入樹狀網(wǎng)絡結構來改善分割性能，圖4展示了該方法的分割效果。2017年的PSPNet[79]不僅將空洞卷積應用到ResNet中，還額外加入金字塔池化模塊來更好地進行多尺度上下文聚合和全局信息的獲取，輔助遙感圖像進行場景解析[80]，加以改進的PSPNet曾獲得過ImageNet場景解析挑戰(zhàn)賽的第一名。

圖4 文獻[78]遙感圖像分割效果

相比于早期較傳統(tǒng)的光學遙感圖像分割，基于深層特征的分割方法可以利用神經(jīng)網(wǎng)絡來隱式地建立像素到語義的映射關系，網(wǎng)絡自動學習提取目標特征來完成整個分割過程，而不需要引入人工特征干預，可以更高好地學習遙感圖像的特征，提高識別準確性的同時減少時間消耗。然而，大多數(shù)早期神經(jīng)網(wǎng)絡的性能都極依賴訓練樣本的數(shù)據(jù)量，屬于強監(jiān)督語義分割方法，但訓練樣本的標注是一項時間和經(jīng)濟成本都較高的任務，且手工標注還帶有主觀性和不確定性。在遇到遙感圖像原始樣本不充分的情況時，比如高光譜遙感數(shù)據(jù)，強監(jiān)督的語義分割性能就會受到制約。于是，越來越多的研究學者開始關注弱監(jiān)督和無監(jiān)督下的遙感圖像語義分割方法[81-83]。不需要利用高成本的像素級標注信息，而是通過圖像中易得到的框、線、點的輔助標注信息或是利用計算機自動生成的語義標注數(shù)據(jù)來進行模型訓練，但大部分目前的分割效果還不如強監(jiān)督方法?？偟膩碚f，目前基于改進的強監(jiān)督遙感圖像分割方法仍是主流，弱監(jiān)督和無監(jiān)督技術仍需要大量研究突破。

5 結束語

光學遙感圖像分割在對地觀測研究任務里發(fā)揮著關鍵作用，分割性能的好壞對后續(xù)的圖像信息獲取和分類任務有很大的影響。本文以圖像的淺層、中層、深層特征為分割方法的分類依據(jù)，綜合闡述了常見的一些光學遙感圖像分割方法，并簡要分析了各類方法的有效性和局限性，可以讓讀者了解到現(xiàn)階段光學遙感圖像分割技術的發(fā)展有一定的借鑒和參考意義。

不同于自然圖像，遙感圖像中背景及陰影的高復雜度、尺度多邊性、過于分散的目標和逐漸提升的高分辨率都增加了分割任務的難度，單一傳統(tǒng)的分割技術已達不到現(xiàn)有的技術要求。而近幾年在深度學習思潮引領下，通過深層特征挖掘來高效智能地進行遙感圖像分割已經(jīng)成為了研究熱點，同時，將深層特征和淺層、中層特征結合的分割方法也在光學遙感圖像處理領域也因有較好的效果而日益得到關注。不過目前還未發(fā)現(xiàn)一種成熟的分割方法能很好地適用于所有的光學遙感圖像分割任務，技術仍然存在很大的發(fā)展空間。

綜上所述，本文認為未來的研究可以從以下三個方面著手：1）綜合考慮多種特征融合的方法，利用諸如光譜、紋理、邊緣等信息來提高光學遙感圖像分割精度和分割率；2）利用多源數(shù)據(jù)融合的遙感圖像進行多尺度分割研究，綜合多尺度信息來輔助分割也是一個可發(fā)展的方向；3）弱監(jiān)督及無監(jiān)督分割技術亟待發(fā)展，對減少高成本的人工或軟件數(shù)據(jù)標注有重要意義，簡便靈活且具有強擴展性、高普適性的分割模型設計是未來光學遙感圖像分割領域重要的一個發(fā)展趨勢。

[1] 劉純, 洪亮, 楚森森. 高分辨率遙感影像分割方法研究[J]. 測繪與空間地理信息, 2014(10): 44-49.LIU Chun, HONG Liang, CHU Sensen. Study on Segmentation Methods of High Resolution Remote Sensing Images[J]. Geomatics & Spatial Information Technology, 2014(10): 44-49. (in Chinese)

[2] BLASCHKE T. Object Based Image Analysis for Remote Sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16.

[3] DEY V, ZHANG Y, ZHONG M. A Review on Image Segmentation Techniques with Remote Sensing Perspective[M]. Vienna, Austria: IAPRS, 2010.

[4] HOSSAIN M D, CHEN D. Segmentation for Object-based Image Analysis (OBIA): A Review of Algorithms and Challenges from Remote Sensing Perspective[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150(APR): 115-134.

[5] WANG Yongzhi, LV Hua, DENG Rui, et al. A Comprehensive Survey of Optical Remote Sensing Image Segmentation Methods[J]. Canadian Journal of Remote Sensing, 2020, 1-31.

[6] PRIYADHARSINI G, SENTHIL K C, UDHAYAMOORTHY M. A Review on Various Methods of Image Segmentation Based on Remote Sensing Applications[J]. International Journal for Innovative Research in Science & Technology, 2014(1): 184-187.

[7] 吳金建. 基于人類視覺系統(tǒng)的圖像信息感知和圖像質量評價[D]. 西安: 西安電子科技大學, 2014. WU Jinjian. Image Information Perception and Quality Assessment Based on The Human Visual System[D]. Xi’an: Xidian University, 2014. (in Chinese)

[8] LI S Z. Markov Random Field Models in Computer Vision[C]//European Conference on Computer Vision, May 2-6, 1994, Berlin, Heidelberg.

[9] LAFFERTY J, MCCALLUM A, PEREIRA F. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data[C]//Proc.18th International Conf. on Machine Learning, June 6-28, 2001.

[10] LONG J, SHELHAMER E, DARRELL T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4): 640-651.

[11] HAO Shijie, ZHOU Yuan, GUO Yanrong. A Brief Survey on Semantic Segmentation with Deep Learning[J]. Neurocomputing, 2019(11): 302-321.

[12] 靳淇兆. 遙感圖像語義分割方法及其應用[D]. 哈爾濱: 哈爾濱理工大學, 2019. JIN Qizhao. Semantic Segmentation Method of Remote Sensing Image and Its Application[D]. Harbin: Harbin University of Science and Technology, 2019. (in Chinese)

[13] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[14] 劉大偉. 高分辨率遙感影像分割方法及應用研究[D]. 西安: 長安大學, 2016. LIU, Dawei. Study on Segmentation Algorithms and Its Applications of High Spatial Resolution Remote Sensing Images[D]. Xi’an: Chang’an University, 2016. (in Chinese)

[15] 陳明, 王行風. 基于模擬退火改進的多閾值遙感圖像分割[J]. 信息系統(tǒng)工程, 2011(8): 73-75. CHEN Ming, WANG Xingfeng. Multi-threshold Remote Sensing Image Segmentation Based on Improved Simulated Annealing Method[J]. China CIO News, 2011(8): 73-75. (in Chinese)

[16] 王保云, 張榮, 袁圓, 等. 可見光遙感圖像中艦船目標檢測的多階閾值分割方法[J]. 中國科學技術大學學報, 2011, 41(4): 293-298. WANG Baoyun, ZHANG Rong, YUAN Yuan, et al. A New Multi-level Threshold Segmentation Method for Ship Targets Detection in Optical Remote Sensing Images[J]. Journal of China University of Science and Technology, 2011, 41(4): 293-298. (in Chinese)

[17] GOSHTASBY A, SHYU H L. Edge Detection by Curve Fitting[J]. Image & Vision Computing, 1995, 13(3):169-177.

[18] SCHIEWE J. Segmentation of High-resolution Remotely Sensed Data-concepts, Applications and Problems[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 2002, 34(4): 380-385.

[19] LU Desian, CHEN Chienchang. Edge Detection Improvement by Ant Colony Optimization[J]. Pattern Recognition Letters, 2008, 29(4): 416-425.

[20] CARLEER A P, DEBEIR O, WOLFF E. Assessment of Very High Spatial Resolution Satellite Image Segmentations[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(11): 1285-1294.

[21] LIU Fang, CHEN Puhua, LI Yuanjie, et al. Structural Feature Learning-based Unsupervised Semantic Segmentation of Synthetic Aperture Radar Image[J]. Journal of Applied Remote Sensing, 2019, 13(1): 014501.

[22] CHEN Jianyu, LI J, PAN Delu, et al. Edge-guided Multiscale Segmentation of Satellite Multispectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4513-4520.

[23] DI Yanan, JIANG Gangwu, YAN Libo, et al. Multi-scale Segmentation of High Resolution Remote Sensing Images by Integrating Multiple Features[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2017, XLII-1/W1: 247-255.

[24] 余潔, 余峰, 張晶, 等. 結合區(qū)域生長與道路基元的高分辨率遙感影像道路提取[J]. 武漢大學學報·信息科學版, 2013, 38(7): 761-764. YU Jie, YU Feng, ZHANG Jing, et al. High Resolution Remote Sensing Image Road Extraction Combining Region Growing and Road-unit[J]. Geomatics and Information Science of Wuhan University, 2013, 38(7): 761-764. (in Chinese)

[25] ZHANG Xueliang, XIAO Pengfeng, FENG Xuezhi. Fast Hierarchical Segmentation of High-resolution Remote Sensing Image with Adaptive Edge Penalty[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(1): 71-80.

[26] BYUN Y, KIM D, LEE J, et al. A Framework for the Segmentation of High-resolution Satellite Imagery Using Modified Seeded-region Growing and Region Merging[J]. International Journal of Remote Sensing, 2011, 32(16): 4589-4609.

[27] 楚恒, 李洪川, 劉紅彬. 基于對象直方圖G統(tǒng)計量的遙感影像道路提取[J]. 測繪通報, 2017, 489(12): 63-67. CHU Heng, LI Hongchuan, LIU Hongbin. Road Extraction of Remote Sensing Imagery Using G Statistics of Object Histogram[J]. Bulletin of Surveying and Mapping, 2017, 489(12): 63-67. (in Chinese)

[28] 陳洋, 范榮雙, 王競雪, 等. 結合相位一致和分水嶺變換的高分辨率遙感影像分割方法[J]. 激光與光電子學進展, 2017, 54(9): 375-380. CHEN Yang, FAN Rongshuang, WANG Jingxue, et al. Segmentation of High-resolution Remote Sensing Image Combining Phase Consistency with Watershed Transformation[J]. Laser and Optoelectronics Progress, 2017, 54(9): 375-380. (in Chinese)

[29] 林卉, 劉培, 夏俊士, 等. 基于分水嶺變換的遙感影像面向對象多尺度分割算法研究[J]. 測繪通報, 2011, 235(10): 45-48. LIN Hui, LIU Pei, XIA Junshi, et al. Research on Object-oriented Multi-scale Segmentation Algorithm Based on Watershed Transformation[J]. Bulletin of Surveying and Mapping, 2011, 235(10): 45-48. (in Chinese)

[30] 胡學龍, 沈潔. 利用分水嶺分割的多分辨率遙感圖像融合算法[J]. 中國圖象圖形學報, 2010, 15(5): 820-823. HU Xuelong, SHEN Jie. Algorithm on Multiresolution Remote Image Fusion with Watershed Segmentation[J]. Journal of Image and Graphics, 2010, 15(5): 820-823. (in Chinese)

[31] ALSHEHHI R, MARPU P R. Hierarchical Graph-based Segmentation for Extracting Road Networks from High-resolution Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126: 245-260.

[32] YANG Yi, LI Haitao, HAN Yanshun, et al. High Resolution Remote Sensing Image Segmentation Based on Graph Theory and Fractal Net Evolution Approach[J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015, 40(7): 197-201.

[33] 鄧富亮, 楊崇俊, 曹春香, 等. 高分辨率影像分割的分形網(wǎng)絡演化改進方法[J]. 地球信息科學學報, 2014, 16(1): 95-101.DENG Fuliang, YANG Chongjun, CAO Chunxiang, et al. An Improved Method of FNEA for High Resolution Remote Sensing Image Segmentation[J]. Journal of Geo-information Science, 2014, 16(1): 95-101. (in Chinese)

[34] 朱俊杰, 杜小平, 范湘濤, 等. 一種改進的多尺度分形網(wǎng)絡演化分割方法[J]. 遙感技術與應用, 2014, 29(2): 324-329. ZHU Junjie, DU Xiaoping, FAN Xiangtao, et al. A Advanced Multi-scale Fractal Net Evolution Approach[J]. Remote Sensing Technology and Application, 2014, 29(2): 324-329. (in Chinese)

[35] LI Ke, YOU Xiong, WAN Gang. Remote Sensing Image Classification Method Based on Superpixel Segmentation and Adaptive Weighting K-means[C]//International Conference on Virtual Reality and Visualization (ICVRV), October 17-18, 2015, Xiamen, China.

[36] 龔林松, 李士進. 基于改進的SLIC和OTSU的遙感影像水體提取[J]. 計算機技術與發(fā)展, 2019, 29(1): 145-149. GONG Linsong, LI Shijin. Water Information Extraction from Remote Sensing Imagery Based on Improved SLIC and OTSU[J]. Computer Technology and Development, 2019, 29(1): 145-149. (in Chinese)

[37] 趙泉華, 劉曉燕, 趙雪梅, 等. 基于可變類FCM算法的多光譜遙感影像分割[J]. 電子與信息學報, 2018, 40(1): 157-165. ZHAO Quanhua, LIU Xiaoyan, ZHAO Xuemei, et al. Multispectral Remote Sensing Image Segmentation Based on FCM Algorithm with Unknown Number of Clusters[J]. Journal of Electronics & Information Technology, 2018, 40(1): 157-165. (in Chinese)

[38] WU Tianjun, XIA Liegang, LUO Jiancheng, et al. Computationally Efficient Mean-shift Parallel Segmentation Algorithm for High-resolution Remote Sensing Images[J]. Journal of the Indian Society of Remote Sensing, 2018, 46(11): 1805-1814.

[39] COMANICIU D, RAMESH V, MEER P. Kernel-based Object Tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564-577.

[40] GRINIAS I, PANAGIOTAKIS C, TZIRITAS G. MRF-based Segmentation and Unsupervised Classification for Building and Road Detection in Peri-urban Areas of High-resolution Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote sensing, 2016, 122(10): 145-166.

[41] BAO Huifang, ZHOU Linli, LIU Lei, et al. A MRF-based Multi-agent System for Remote Sensing Image Segmentation[C]// International Conference on Computing Intelligence and Information System (CIIS), April 21-23, 2017, Harbin, China.

[42] BOUMAN C A, SHAPIRO M. A Multiscale Random Field Model for Bayesian Image Segmentation[J]. IEEE Transactions on Image Processing, 1994, 3(2): 162-177.

[43] JUNG M, YUN E J, KIM C S. Multiresolution Approach for Texture Segmentation Using MRF Models[C]// IEEE International Geoscience and Remote Sensing Symposium, July 25-29, 2005, Seoul, Korea.

[44] SARKAR A, BISWAS M K, SHARMA K M S. A Simple Unsupervised MRF Model Based Image Segmentation Approach[J]. IEEE Transactions on Image Processing, 2000, 9(5): 801-812.

[45] SARKAR A, BISWAS M K, KARTIKEYAN B, et al. A MRF Model-based Segmentation Approach to Classification for Multispectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(5): 1102-1113.

[46] YANG Yi, HAN Chongzhao, HAN Deqiang. A Markov Random Field Model-based Fusion Approach to Segmentation of SAR and Optical Images[C]//IEEE International Geoscience and Remote Sensing Symposium, July 6-11, 2008, Boston, MA, USA.

[47] MOSER G, SERPICO S B. Classification of High-resolution Images Based on MRF Fusion and Multiscale Segmentation[C]// IEEE International Geoscience and Remote Sensing Symposium, July 6-11, 2008, Boston, MA, USA.

[48] 鄭瑋, 康戈文, 陳武凡, 等. 一種無監(jiān)督的遙感圖像分割新算法研究[J]. 儀器儀表學報, 2009, 30(1): 213-218. ZHENG Wei, KANG Gewen, CHEN Wufan, et al. Study on a Novel Unsupervised Algorithm for Remote Sensing Image Segmentation[J]. Chinese Journal Scientific Instruments, 2009, 30(1): 213-218. (in Chinese)

[49] CHEN Jianyu, PAN Delu, MAO Zhihua. Image-object Detectable in Multiscale Analysis on High-resolution Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2009, 30(14): 3585-3602.

[50] 韋春桃, 趙平, 肖博林, 等. 結合雙樹復小波紋理特征和MRF模型的遙感圖像分割[J]. 測繪通報, 2019(10): 40-45. WEI Chuntao, ZHAO Ping, XIAO Bolin, et al. Remote Sensing Image Segmentation Method Based on Dual-tree Complex Wavelet Texture Feature and MRF Model[J]. Bulletin of Surveying and Mapping, 2019(10): 40-45. (in Chinese)

[51] FAN J, YAU D K Y, ELMAGARMID A K, et al. Automatic Image Segmentation by Integrating Color-edge Extraction and Seeded Region Growing[J]. IEEE Transactions on Image Processing, 2001, 10(10): 1454-1466.

[52] GAETANO R, MASI G, POGGI G, et al. Marker-controlled Watershed-based Segmentation of Multiresolution Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(6): 2987-3004.

[53] ZHANG Xueliang, XIAO Pengfeng, FENG Xuezhi, et al. Hybrid Region Merging Method for Segmentation of High-resolution Remote Sensing Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 98(12): 19-28.

[54] 王小鵬, 文昊天, 王偉, 等. 形態(tài)學邊緣檢測和區(qū)域生長相結合的遙感圖像水體分割[J]. 測繪科學技術學報, 2019, 36(2): 149-154. WANG Xiaopeng, WEN Haotian, WANG Wei, et al. Water Segmentation of Remote Sensing Image Using Morphological Edge Detection and Region Growing[J]. Journal of Geomatics Science and Technology, 2019, 36(2): 149-154. (in Chinese)

[55] 王慧賢, 靳惠佳, 王嬌龍, 等. k均值聚類引導的遙感影像多尺度分割優(yōu)化方法[J]. 測繪學報, 2015, 44(5): 526-532. WANG Huixian, JIN Huijia, WANG Jiaolong, et al. Optimization Approach for Multi-scale Segmentation of Remotely Sensed Imagery Under k-means Clustering Guidance[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 526-532. (in Chinese)

[56] 靳華中, 葉志偉, 柯敏毅, 等. 結合MRF模型與粒子群優(yōu)化算法的遙感影像紋理分割[J]. 計算機應用, 2010, 30(9): 2461-2463. JIN Huazhong, YE Zhiwei, KE Minyi, et al. Combination of MRF Model and Particle Swarm Optimization Algorithm for Texture Segmentation of Remote Sensing Images[J]. Journal of Computer Applications, 2010, 30(9): 2461-2463. (in Chinese)

[57] 吳一全, 周建偉. 基于混沌布谷鳥優(yōu)化的二維Tsallis交叉熵建筑物遙感圖像分割[J]. 數(shù)據(jù)采集與處理, 2019, 34(1): 22-31. WU Yiquan, ZHOU Jianwei. Thresholding for Remote Sensing Images of Building Based on Two-dimensional Tsallis Cross Entropy Using Chaotic Cuckoo Search Optimization[J]. Journal of Data Acquisition and Processing, 2019, 34(1): 22-31. (in Chinese)

[58] 李曉斌, 江碧濤, 楊淵博, 等. 光學遙感圖像目標檢測技術綜述[J]. 航天返回與遙感, 2019, 40(4): 95-104. LI Xiaobin, JIANG Bitao, YANG Yuanbo, et al. A Survey on Object Detection Technology in Optical Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(4): 95-104. (in Chinese)

[59] GUO Y, LIU Y, GEORGIOU T, et al. A Review of Semantic Segmentation Using Deep Neural Networks[J]. International Journal of Multimedia Information Retrieval, 2018, 7(2): 87-93.

[60] 姜楓, 顧慶, 郝慧珍, 等. 基于內(nèi)容的圖像分割方法綜述[J]. 軟件學報, 2017, 28(1): 160-183. JIANG Feng, GU Qing, HAO Huizhen, et al. Survey on Content-based Image Segmentation Methods[J]. Journal of Software, 2017, 28(1): 160-183. (in Chinese)

[61] SUN Weiwei, WANG Ruisheng. Fully Convolutional Networks for Semantic Segmentation of Very High Resolution Remotely Sensed Images Combined with DSM[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 474-478.

[62] FU Xiaomeng, QU Huiming. Research on Semantic Segmentation of High-resolution Remote Sensing Image Based on Full Convolutional Neural Network[C]//International Symposium on Antennas, Propagation and EM Theory (ISAPE), December 3-6, 2018, Hangzhou, China.

[63] 肖春姣, 李宇, 張洪群, 等. 深度融合網(wǎng)結合條件隨機場的遙感圖像語義分割[J]. 遙感學報, 2020, 24(3): 254-264. XIAO Chunjiao, LI Yu, ZHANG Hongqun, et al. Semantic Segmentation of Remote Sensing Images Based on Deep Fusion Network and Conditional Random Field[J]. Journal of Remote Sensing, 2020, 24(3): 254-264. (in Chinese)

[64] 肖雨彤, 張繼賢, 黃國滿, 等. FCN與CRF結合的PolSAR影像建筑區(qū)域提取[J]. 遙感信息, 2020, 35(3): 44-49. XIAO Yutong, ZHANG Jixian, HUANG Guoman, et al. Building Area Extraction of PolSAR Images Based on FCN and CRF[J]. Remote Sensing Information, 2020, 35(3): 44-49. (in Chinese)

[65] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS[J]. Computerence, 2014(4): 357-361.

[66] BADRINARAYANAN V, KENDALL A, CIPOLLA R. Segnet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[67] 楊建宇, 周振旭, 杜貞容, 等. 基于SegNet語義模型的高分辨率遙感影像農(nóng)村建設用地提取[J]. 農(nóng)業(yè)工程學報, 2019, 35(5): 251-258. YANG Jianyu, ZHOU Zhenxu, DU Zhenrong, et al. Rural Construction Land Extraction from High Spatial Resolution Remote Sensing Image Based on SegNet Semantic Segmentation Model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(5): 251-258. (in Chinese)

[68] RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing and Computer-assisted Intervention, October 5-9, 2015, Munich, Germany.

[69] 徐昭洪, 劉宇, 全吉成, 等. 基于VGG16預編碼的遙感圖像建筑物語義分割[J]. 科學技術與工程, 2019, 19(17): 250-255. XU Zhaohong, LIU Yu, QUAN Jicheng, et al. Buildings Segmentation of Remote Sensing Images Based on VGG16 Pre-encoding[J]. Science Technology and Engineering, 2019, 19(17): 250-255. (in Chinese)

[70] 蘇健民, 楊嵐心, 景維鵬. 基于U-Net的高分辨率遙感圖像語義分割方法[J]. 計算機工程與應用, 2019, 55(7): 207-213. SU Jianmin, YANG Lanxin, JING Weipeng. U-Net Based Semantic Segmentation Method for High Resolution Remote Sensing Image[J]. Computer Engineering and Applications, 2019, 55(7): 207-213. (in Chinese)

[71] NOH H, HONG S, HAN B. Learning Deconvolution Network for Semantic Segmentation[C]//Proceedings of the IEEE International Conference on Computer Vision, December 7-13, 2015, Santiago, Chile.

[72] 尚群鋒, 沈煒, 帥世淵. 基于深度學習高分辨率遙感影像語義分割[J]. 計算機系統(tǒng)應用, 2020, 29(7): 180-185. SHANG Qunfeng, SHEN Wei, SHUAI Shiyuan. Semantic Segmentation of High Resolution Remote Sensing Image Based on Deep Learning[J]. Computer Systems and Applications, 2020, 29(7): 180-185. (in Chinese)

[73] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Deeplab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected Crfs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 40(4): 834-848.

[74] CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-decoder with Atrous Separable Convolution for Semantic Image Segmentation[C]//Proceedings of the European Conference on Computer Vision (ECCV), September 8-14, 2018, Munich, Germany.

[75] 陳揚洋, 明冬萍, 徐錄, 等. 高空間分辨率遙感影像分割定量實驗評價方法綜述[J]. 地球信息科學學報, 2017, 19(6): 818-830. CHEN Yangyang, MING Dongping, XU Lu, et al. An Overview of Quantitative Experimental Methods for Segmentation Evaluation of High Spatial Remote Sensing Images[J]. Journal of Geo-information Science, 2017, 19(6): 818-830. (in Chinese)

[76] 袁立, 袁吉收, 張德政. 基于DeepLab-v3+的遙感影像分類[J]. 激光與光電子學進展, 2019, 56(15): 228-235. YUAN Li, YUAN Jishou, ZHANG Dezheng. Remote Sensing Image Classification Based on DeepLab-v3+[J]. Laser & Optoelectronics Progress, 2019, 56(15): 228-235. (in Chinese)

[77] 王振華, 鐘元芾, 何婉雯, 等. 改進Deeplab網(wǎng)絡的遙感影像海島岸線分割[J]. 中國圖象圖形學報, 2020, 25(4): 768-778. WANG Zhenhua, ZHONG Yuanfu, HE Wanwen, et al. Island Shoreline Segmentation in Remote Sensing Image Based on Improved Deeplab Network[J]. Journal of Image and Graphics, 2020, 25(4): 768-778. (in Chinese)

[78] 胡偉, 高博川, 黃振航, 等. 樹形結構卷積神經(jīng)網(wǎng)絡優(yōu)化的城區(qū)遙感圖像語義分割[J]. 中國圖象圖形學報, 2020, 25(5): 1043-1052. HU Wei, GAO Bochuan, HUANG Zhenhang, et al. Semantic Segmentation of Urban Remote Sensing Image Based on Optimized tree[J]. Journal of Image and Graphics, 2020, 25(5): 1043-1052. (in Chinese)

[79] ZHAO Hengshuang, SHI Jianping, QI Xiaojuan, et al. Pyramid Scene Parsing Network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, July 21-26, 2017, Honolulu, Hawaii.

[80] 廖旋, 繆君, 儲珺, 等. 融合分割先驗的多圖像目標語義分割[J]. 中國圖象圖形學報, 2019(6): 890-901. LIAO Xuan, MIAO Jun, CHU Jun, et al. Multi-image Object Semantic Segmentation by Fusing Segmentation Priors[J]. Journal of Image and Graphics, 2019(6): 890-901. (in Chinese)

[81] 李雨慧. 基于深度學習的高分辨率遙感影像多尺度語義分割[D]. 上海: 上海交通大學, 2018. LI Yuhui. Multi-scale Semantic Segmentation of High Resolution Remote Sensing Images Based on Deep Learning[D]. Shanghai: Shanghai Jiaotong University, 2018. (in Chinese)

[82] 吳俊峰, 姜志國, 張浩鵬, 等. 半監(jiān)督條件隨機場的高光譜遙感圖像分類[J]. 遙感學報, 2017, 21(4): 588-603. WU Junfeng, JIANG Zhiguo, ZHANG Haopeng, et al. Classification of Hyperspectral Remote Sensing Images with Semi-supervised Conditional Random Fields[J]. Journal of Remote Sensing, 2017, 21(4): 588-603. (in Chinese)

[83] BENJDIRA B, BAZI Y, KOUBAA A, et al. Unsupervised Domain Adaptation Using Generative Adversarial Networks for Semantic Segmentation of Aerial Images[J]. Remote Sensing, 2019, 11(11): 1369-1392.

A Review of the Optical Remote Sensing Image Segmentation Technology

MIN Lei1GAO Kun1LI Wei2WANG Hong1LI Ting3WU Qiong1JIAO Jianchao2

（1 Key Laboratory of Photoelectronic Imaging Technology and System, Ministry of Education, Beijing Institute of Technology, Beijing 100081, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Institute of Spacecraft System Engineering, CAST, Beijing 100094, China）

Remote sensing image segmentation aims to divide the remote sensing image that contains spatial distribution information of complex ground objects into various regions with specific semantic labels, playing a pivotal role in remote sensing image analysis and interpretation. Referring to the characteristics of human visual system perception and visual information layer-by-layer sparse processing, this paper systematically classifies and reviews the common optical remote sensing image segmentation technologies from three perspectives: shallow-feature-based image segmentation, middle-feature-based image segmentation and deep-feature-based image segmentation. In addition, it states the basic characteristics of various common algorithms, compares their advantages and limitations, and prospects the future direction of improvement and development, providing a certain reference value for the research of optical remote sensing image segmentation.

image segmentation; classification; image feature level; deep learning; optical remote sensing

TP715

A

1009-8518(2020)06-0001-13

10.3969/j.issn.1009-8518.2020.06.001

2020-10-28

國家自然科學基金（61875013）；裝備預研航天科技聯(lián)合基金（6141B061004）

閔蕾, 高昆, 李維, 等. 光學遙感圖像分割技術綜述[J]. 航天返回與遙感, 2020, 41(6): 1-13.

MIN Lei, GAO Kun, LI Wei, et al. A Review of the Optical Remote Sensing Image Segmentation Technology[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(6): 1-13. (in Chinese)

閔蕾，女，1997年生，2019年獲北京理工大學光學工程專業(yè)工學學士學位，現(xiàn)在北京理工大學光學工程專業(yè)攻讀碩士學位。研究方向為遙感圖像場景分類、遙感圖像語義分割。E-mail：18811370238@163.com。

（編輯：陳艷霞）